Αξιοποίηση δεδομένων έξυπνων μετρητών στη διαχείριση δικτύων διανομής ηλεκτρικής ενέργειας

Μεσσήνης, Γεώργιος Μ.

dc.contributor.author	Μεσσήνης, Γεώργιος Μ.	el
dc.date.accessioned	2021-03-02T13:29:42Z
dc.date.available	2021-03-02T13:29:42Z
dc.date.issued	2021-03-02
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52952
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20650
dc.description.abstract	Tα σύγχρονα ηλεκτρικά δίκτυα, και ιδιαίτερα τα δίκτυα διανομής, αντιμετωπίζουν σήμερα ένα σύνολο ετερόκλητων προκλήσεων, που έχουν προκύψει ως αποτέλεσμα τεχνολογικών εξελίξεων καθώς και μεταβολών των ανθρώπινων αναγκών. Ένα χαρακτηριστικό των τεχνολογικών εξελίξεων είναι ο ολοένα αυξανόμενος ρυθμός εγκατάστασης έξυπνων μετρητών στο δίκτυο διανομής. Οι συσκευές αυτές αποτελούν τη σημαντικότερη ίσως φυσική διεπαφή μεταξύ του δικτύου και του ανθρώπου, του τελικού δηλαδή αποδέκτη της ενέργειας. Στα δεδομένα που καταγράφουν οι μετρητές ενέργειας καθρεφτίζεται ένα μεγάλο φάσμα της ανθρώπινης συμπεριφοράς. Αποτέλεσμα της ανθρώπινης συμπεριφοράς στο πλαίσιο των εκάστοτε κοινωνικών και πολιτικών συνθηκών είναι και το φαινόμενο της ρευματοκλοπής. Η παρούσα διδακτορική διατριβή στοχεύει στην ανάπτυξη νέων αλγορίθμων για τον αποτελεσματικό εντοπισμό των ρευματοκλοπών, που στόχο έχει τη μείωση των μη-τεχνικών απωλειών στα δίκτυα διανομής, αξιοποιώντας, μεταξύ άλλων, και δεδομένα έξυπνων μετρητών. Αρχικά γίνεται αναλυτική μελέτη και καταγραφή της τρέχουσας τεχνολογικής στάθμης όσον αφορά τα Συστήματα Εντοπισμού Ρευματοκλοπών (ΣΕΡ). Προτείνεται ταξινόμηση των συστημάτων που εμφανίζονται στη βιβλιογραφία, με κεντρικό κριτήριο το είδος του αλγορίθμου που αξιοποιούν. Επιπλέον, καταγράφονται παράμετροι όπως τα απαιτούμενα δεδομένα, τα εξαγόμενα χαρακτηριστικά, οι μετρικές απόδοσης, ο χρόνος απόκρισης κ.ά., προκειμένου να σκιαγραφηθούν οι σημαντικότερες πτυχές των ΣΕΡ. Τα περισσότερα ΣΕΡ κάνουν χρήση τεχνικών ανάλυσης δεδομένων και μηχανικής μάθησης. Για τον λόγο αυτό, ένα μεγάλο κομμάτι της διατριβής αφιερώνεται στην ανάλυση τέτοιων συστημάτων και στην αντιμετώπιση των προβλημάτων που εμφανίζονται κατά τη σχεδίασή τους. Η διατριβή επικεντρώνεται στην εξαγωγή χαρακτηριστικών με έντονη διαχωριστική ικανότητα, η χρήση των οποίων θα ενισχύσει τις επιδόσεις γνωστών αλγορίθμων μηχανικής μάθησης. Ένας τέτοιος αλγόριθμος είναι οι Μηχανές Διανυσμάτων Υποστήριξης (SVM). Αν και επιβεβαιώνονται οι καλές επιδόσεις των ΜΔΥ, η έλλειψη επισημασμένων δειγμάτων οδηγεί στην αναζήτηση εναλλακτικών, πέραν της επιβλεπόμενης μάθησης. Εξετάζονται λοιπόν και αλγόριθμοι μη-επιβλεπόμενης μάθησης, λόγω της ευκολότερης εφαρμογής τους. Το σημαντικότερο μειονέκτημα των μεθόδων ανάλυσης δεδομένων είναι ότι δεν αξιοποιούν με κάποιον τρόπο τους φυσικούς νόμους που περιγράφουν τα ηλεκτρικά δίκτυα. Στη συνέχεια λοιπόν της διατριβής προτείνονται δύο νέοι αλγόριθμοι που κάνουν χρήση μετρήσεων τάσης και ισχύος στο σημείο σύνδεσης των καταναλωτών, καθώς και θεωρίας ανάλυσης ΣΗΕ, προκειμένου να εντοπιστούν οι ρευματοκλοπές. Ο πρώτος αλγόριθμος βασίζεται στον υπολογισμό των ευαισθησιών, στη σχέση δηλαδή μεταξύ των καταναλώσεων και των τάσεων ενός δικτύου διανομής, μια σχέση που διαταράσσεται παρουσία ρευματοκλοπών. Ο δεύτερος αλγόριθμος κάνει χρήση βελτιστοποίησης και βασίζεται στην επίλυση του παραδοσιακού προβλήματος της βέλτιστης ροής φορτίου. Στη συνέχεια, οι αλγόριθμοι αυτοί συνδυάζονται με αλγόριθμο ΜΔΥ, σχεδιάζοντας έτσι ένα υβριδικό ΣΕΡ και αναλύοντάς το με τεχνοοικονομικούς όρους. Οι μέθοδοι εντοπισμού ρευματοκλοπής που αναφέρθηκαν παραπάνω παρουσιάζουν πολύ καλές επιδόσεις, αλλά αναφέρονται σε δίκτυα με εκτεταμένη εγκατάσταση έξυπνων μετρητών. Η σημερινή πραγματικότητα για την Ελλάδα και πολλές άλλες χώρες είναι όμως αρκετά διαφορετική. Στην Ελλάδα η μέτρηση της κατανάλωσης γίνεται με ηλεκτρομηχανικούς μετρητές, που μετρούν μόνο την ενεργό ενέργεια. Η καταγραφή της μάλιστα γίνεται ανά τέσσερις περίπου μήνες, γεγονός που καθιστά δύσκολη την εφαρμογή μεθόδων που έχουν σχεδιαστεί για έξυπνους μετρητές. Η διατριβή αντιμετωπίζει και το σημερινό πρόβλημα ρευματοκλοπών της Ελλάδας, με τον σχεδιασμό αλγορίθμου, αλλά και του αντίστοιχου υπολογιστικού εργαλείου, που κάνει χρήση συστήματος κανόνων και λειτουργεί ως σύστημα υποστήριξης απόφασης για τον διαχειριστή του δικτύου. Τελευταίο μέρος της διατριβής αποτελεί η ανίχνευση της τοπολογίας του δικτύου. Πιο συγκεκριμένα, σχεδιάζεται αλγόριθμος που εντοπίζει πλήρως (ισοδύναμο δέντρο και στοιχεία γραμμών) την τοπολογία ακτινικών δικτύων διανομής. Ο αλγόριθμος αυτός βασίζεται αρχικά στον υπολογισμό των ευαισθησιών τάσης από δεδομένα τάσης και ισχύος που προέρχονται από έξυπνους μετρητές. Οι μετρητές θεωρούνται εγκατεστημένοι μόνο στους ζυγούς-φύλλα του δικτύου, οπότε δεν απαιτείται μέτρηση σε όλους τους κόμβους. Οι υπολογιζόμενοι πίνακες ευαισθησίας αποτελούν την είσοδο αλγορίθμου συσταδοποίησης εμπνευσμένου από τη φυλογενετική, ο οποίος κατασκευάζει τελικά την τοπολογία του δικτύου. Οι επιδόσεις της παραπάνω μεθοδολογίας επικυρώνονται με ένα μεγάλο σύνολο προσομοιώσεων σε διαφορετικά δίκτυα. Επιπλέον όμως, παρουσιάζεται και η επίδραση που έχει η μεθοδολογία αυτή σε εφαρμογή βέλτιστης τοποθέτησης και διαστασιολόγησης συστημάτων αποθήκευσης ηλεκτρικής ενέργειας στα δίκτυα διανομής, όταν δεν είναι εξαρχής γνωστή η τοπολογία τους.	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Έξυπνοι μετρητές	el
dc.subject	Μη-τεχνικές απώλειες	el
dc.subject	Ευφυή δίκτυα	el
dc.subject	Ρευματοκλοπές	el
dc.subject	Ανίχνευση τοπολογίας δικτύου	el
dc.subject	Smart meters	en
dc.subject	Non-technical losses	en
dc.subject	Smart grids	en
dc.subject	Electricity theft	en
dc.subject	Topology identification	en
dc.title	Αξιοποίηση δεδομένων έξυπνων μετρητών στη διαχείριση δικτύων διανομής ηλεκτρικής ενέργειας	el
dc.contributor.department	Ηλεκτρικής Ισχύος - Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας	el
heal.type	doctoralThesis
heal.classification	Ενέργεια	el
heal.classification	Δίκτυα Διανομής	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-16
heal.abstract	Modern power systems, and especially distribution networks, are now facing a set of promiscuous challenges, originating from technological developments and changes in human needs. One of these technological developments is related to the advent of smart meters, which are probably the most important interfaces between humans and the power system. The data acquired by these devices encapsulate a large portion of human behavior itself. Electricity theft is also a result of specific human behaviors taking place inside different social and economic spheres. This doctoral thesis aims in the development of novel concepts and algorithms for detecting electricity theft using smart meter data in order to reduce non-technical losses in distribution networks. A detailed review of non-technical loss (NTL) detection methods is first performed. A new taxonomy is proposed, where electricity theft detection methods are categorized according to the type of algorithm utilized. Additionally, analysis of parameters such as data requirements, extracted features, performance metrics, response time etc. is performed in order to better understand the different issues regarding NTL detection systems. Most NTL detection systems make use of data analytics and machine learning methods as their core operation algorithm. Therefore, part of this thesis is dedicated in the analysis of such methods and the problems rising during their design and implementation. Attention is given to extracting features with strong discriminative capabilities, the use of which will enhance the relative classifiers’ performance. One of these classifiers is the Support Vector Machine (SVM). This thesis provides a detailed description of the utilization of SVM for detecting NTL, but also explores the possibility of using unsupervised methods. Unsupervised methods do not require labeled samples, and thus their application can be easier, compared to supervised methods such as the SVM. An important disadvantage of data oriented methods is that they don’t take into account the physical laws governing power systems. The focus is thus moved to network oriented methods, which make use of voltage and power measurements as well as power system analysis in order to detect electricity theft. The first algorithm developed bases its operation on the calculation of distribution network voltage sensitivities. Voltage sensitivities express the relationship between voltage and power which is disrupted by electricity theft behaviors. The second algorithm utilizes optimization techniques and is inspired by the solution of traditional optimal power flow problems. Furthermore, these algorithms are combined with the SVM previously described, thus forming a hybrid NTL detection system. The aforementioned NTL detection methods exhibit high performance but require smart metering data in order to achieve it. In reality, such data may not be available. This is true for Greece and other countries, who still mostly rely on electromechanical meters for measuring energy consumption. In fact, in the case of Greece, energy is measured every four months, making the application of most NTL detection methods extremely difficult. This thesis tackles exactly this problem, by designing and implementing a rule-based algorithm for detecting electricity frauds. In addition, a software tool is designed which acts as a decision support system aiding the distribution network operator on choosing which consumers to inspect. The final part of this thesis tackles the problem of topology identification in distribution grids, by proposing a new methodology to accurately detect the tree structure and line resistances/reactances of radial networks. The algorithm first estimates the network voltage sensitivity matrices from active power, reactive power and voltage measurements. Smart meters are assumed to be installed only on the leaf nodes, and not on each network bus. The calculated sensitivity matrices are fed to a clustering algorithm, inspired by phylogenetics, which extracts the final network topology. The proposed methodology is assessed over numerous random networks and also by applying it on the optimal battery energy storage placement and sizing problem when network topology is not available.	en
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Κορρές, Γεώργιος	el
heal.committeeMemberName	Γεωργιλλάκης, Παύλος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταυρακάκης, Γεώργιος	el
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false